本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
若要使用 SageMaker Python SDK 執行獨立筆記本，您需要建立筆記本任務步驟，將其連接到管道，並使用管道提供的公用程式，隨需執行任務或選擇性地排程一或多個未來任務。下列各節說明建立隨需或排程筆記本任務和追蹤執行的基本步驟。此外，如果您需要將參數傳遞至筆記本任務或連線到筆記本中的 Amazon EMR，請參閱下列討論：在這些情況下，需要額外準備 Jupyter 筆記本。您也可以為 的引數子集套用預設值，NotebookJobStep因此您不必在每次建立筆記本任務步驟時指定這些引數。
若要檢視示範如何使用 SageMaker AI Python SDK 排程筆記本任務的範例筆記本，請參閱筆記本任務範例筆記本
建立筆記本任務的步驟
您可以建立立即執行的筆記本任務或排程執行的筆記本任務。下列指示說明這兩種方法。
若要排程筆記本任務，請完成下列基本步驟：
-
建立
NotebookJobStep執行個體。如需NotebookJobStep參數的詳細資訊，請參閱 sagemaker.workflow.steps.NotebookJobStep。您至少可以提供下列引數，如下列程式碼片段所示： 重要
如果您使用 SageMaker Python SDK 排程筆記本任務，您只能指定特定映像來執行筆記本任務。如需詳細資訊，請參閱SageMaker AI Python SDK 筆記本任務的影像限制。
notebook_job_step = NotebookJobStep( input_notebook=input-notebook, image_uri=image-uri, kernel_name=kernel-name) -
使用
NotebookJobStep做為單一步驟建立管道，如下列程式碼片段所示：pipeline = Pipeline( name=pipeline-name, steps=[notebook_job_step], sagemaker_session=sagemaker-session, ) -
隨需執行管道，或選擇性地排程未來的管道執行。若要啟動立即執行，請使用下列命令：
execution = pipeline.start( parameters={...} )或者，您可以排程單一未來管道執行，或以預定間隔進行多次執行。您可以在 中指定排程，
PipelineSchedule然後使用 將排程物件傳遞至管道put_triggers。如需管道排程的詳細資訊，請參閱使用 SageMaker Python SDK 排程管道。下列範例會排程您的管道在 UTC 的 10：31：32 於 2023 年 12 月 12 日執行一次。
my_schedule = PipelineSchedule( name="my-schedule“, at=datetime(year=2023, month=12, date=25, hour=10, minute=31, second=32) ) pipeline.put_triggers(triggers=[my_schedule])下列範例會將您的管道排程在 2022 年至 2023 年期間每個月最後一個星期五 UTC 上午 10：15 執行。如需 Cron 型排程的詳細資訊，請參閱 Cron 型排程。
my_schedule = PipelineSchedule( name="my-schedule“, cron="15 10 ? * 6L 2022-2023" ) pipeline.put_triggers(triggers=[my_schedule]) -
（選用） 在 SageMaker 筆記本任務儀表板中檢視筆記本任務。您為筆記本任務步驟的
tags引數提供的值會控制 Studio UI 如何擷取和顯示任務。如需詳細資訊，請參閱在 Studio UI 儀表板中檢視您的筆記本任務。
在 Studio UI 儀表板中檢視您的筆記本任務
如果您指定特定標籤，則您建立做為管道步驟的筆記本任務會顯示在 Studio Notebook 任務儀表板中。
注意
只有 Studio 或本機 JupyterLab 環境中建立的筆記本任務才會建立任務定義。因此，如果您使用 SageMaker Python SDK 建立筆記本任務，則不會在筆記本任務儀表板中看到任務定義。不過，您可以檢視筆記本任務，如中所述檢視筆記本任務。
您可以使用下列標籤來控制哪些團隊成員可以檢視筆記本任務：
-
若要在網域中的所有使用者設定檔或空格中顯示筆記本，請使用您的網域名稱新增網域標籤。範例顯示如下：
-
金鑰：
sagemaker:domain-name，值：d-abcdefghij5k
-
-
若要在網域中的特定使用者設定檔中顯示筆記本任務，請同時新增使用者設定檔和網域標籤。使用者設定檔標籤的範例如下所示：
-
金鑰：
sagemaker:user-profile-name，值：studio-user
-
-
若要顯示筆記本任務到空間，請同時新增空間和網域標籤。空格標籤的範例如下所示：
-
金鑰：
sagemaker:shared-space-name，值：my-space-name
-
-
如果您未連接任何網域或使用者設定檔或空間標籤，則 Studio UI 不會顯示管道步驟建立的筆記本任務。在這種情況下，您可以在訓練任務主控台中檢視基礎訓練任務，也可以在管道執行清單中檢視狀態。
設定必要的標籤以在儀表板中檢視任務後，請參閱 以取得如何檢視任務和下載輸出檢視筆記本任務的指示。
在 Studio 中檢視管道圖表
由於筆記本任務步驟是管道的一部分，因此您可以在 Studio 中檢視管道圖表 (DAG)。在管道圖表中，您可以檢視管道執行的狀態並追蹤譜系。如需詳細資訊，請參閱 檢視管道執行的詳細資訊。
將參數傳遞至您的筆記本
如果您想要將參數傳遞至筆記本任務 （使用 的parameters引數NotebookJobStep)，您需要準備輸入筆記本來接收參數。
以 Papermill 為基礎的筆記本任務執行器會搜尋以標籤標記的 Jupyter 儲存格，parameters並在此儲存格之後立即套用新參數或參數覆寫。如需詳細資訊，請參閱 對筆記本進行參數化。
執行此步驟後，請將參數傳遞至 NotebookJobStep，如下列範例所示：
notebook_job_parameters = {
"company": "Amazon"
}
notebook_job_step = NotebookJobStep(
image_uri=image-uri,
kernel_name=kernel-name,
role=role-name,
input_notebook=input-notebook,
parameters=notebook_job_parameters,
...
)連線至輸入筆記本中的 Amazon EMR 叢集
如果您從 Studio 中的 Jupyter 筆記本連線至 Amazon EMR 叢集，您可能需要進一步修改 Jupyter 筆記本。請查看您從筆記本連線至 Amazon EMR 叢集是否需要在筆記本中執行下列任何任務：
-
將參數傳遞到您的 Amazon EMR 連線命令。Studio 使用 Papermill 執行筆記本。在 SparkMagic 核心中，由於 Papermill 將資訊傳遞給 SparkMagic，您傳遞至 Amazon EMR 連線命令的參數可能無法如預期運作。
-
將使用者憑證傳遞至經過 Kerberos、LDAP 或 HTTP 基本身分驗證的 Amazon EMR 叢集。您必須透過 傳遞使用者登入資料 AWS Secrets Manager。
設定預設選項
SageMaker AI SDK 可讓您選擇設定參數子集的預設值，因此您不必在每次建立NotebookJobStep執行個體時指定這些參數。這些參數為 role、s3_root_uri、s3_kms_key、subnets、 volume_kms_key和 security_group_ids。使用 SageMaker AI 組態檔案來設定步驟的預設值。如需 SageMaker AI 組態檔案的相關資訊，請參閱搭配 SageMaker Python SDK 設定和使用預設值。
若要設定筆記本任務預設值，請將新的預設值套用至組態檔案的筆記本任務區段，如下列程式碼片段所示：
SageMaker:
PythonSDK:
Modules:
NotebookJob:
RoleArn: 'arn:aws:iam::555555555555:role/IMRole'
S3RootUri: 's3://amzn-s3-demo-bucket/my-project'
S3KmsKeyId: 's3kmskeyid'
VolumeKmsKeyId: 'volumekmskeyid1'
VpcConfig:
SecurityGroupIds:
- 'sg123'
Subnets:
- 'subnet-1234'